AI kvalitetskontrol i produktion, hvad virker?

Hvad AI kan opdage i billeder og video

Der er noget næsten intuitivt tillokkende ved tanken om et kamera, der sidder fast på samlebåndet og fanger hver eneste fejl i farten. Ingen træthed, ingen dårlige dage, ingen overseede revner eller skæve etiketter. Det lyder som den perfekte medarbejder, og for mange danske produktionsvirksomheder er det faktisk ikke langt fra virkeligheden, når betingelserne er i orden.

AI kvalitetskontrol bygger i sin kerne på computer vision, altså maskinsyn, der bruger billedanalyse med AI til at vurdere produkter i realtid. Modellen er trænet på tusindvis af billeder, lærer at genkende, hvad der er rigtigt og hvad der er forkert, og kan derefter køre non-stop i produktionen uden at blinke. Det er ikke magi, det er mønstre.

Men hvad kan kunstig intelligens egentlig se, som du og jeg ikke kan? Svaret afhænger både af, hvad du beder den om at kigge efter, og hvilke data den er lært op på. Lad os gå lidt tættere på.

Fejl på overflader, mål og mærkning

Noget af det, computer vision i produktion er allerbedst til, er at opdage fejl, der er synlige på overfladen af et produkt. Det kan være ridser, revner, bobler, farvefejl, ujævne kanter eller manglende laklag. Altså den type fejl, som en menneskelig operatør ville fange ved at kigge nøje på produktet, men som let sniger sig igennem ved høj hastighed eller på lange skift.

Billedanalyse med AI er også effektiv til at kontrollere mål og dimensioner, typisk ved at kombinere kamerasyn med referencepunkter i billedet. Er plasten støbt med den rigtige tykkelse? Sidder hullet det rigtige sted? Er emballagen forseglet korrekt hele vejen rundt? Det er præcise opgaver med klare svar, og det er præcis den type opgave, en veltrænede AI model til billeder klarer rigtig godt.

Mærkning er et tredje stærkt område. Fejldetektion med AI bruges i stigende grad til at tjekke om stregkoder kan scannes, om etiketter sidder rigtigt, om udløbsdatoer er trykt korrekt, og om produktnumre matcher det, der burde stå der. Det er kedeligt at tjekke manuelt, men det er dyrt at overse, både for virksomheden og for kunden i den anden ende.

Afvigelser som mennesker let overser

Udover de åbenlyse fejl er der en hel kategori af afvigelser, som menneskelige inspektører systematisk underestimerer, ikke fordi de er dovne, men fordi øjet og hjernen er bygget til at finde mønstre, ikke til at opdage minimale afvigelser fra et gennemsnit.

Kunstlig intelligens i produktion kan kalibreres til at reagere på ændringer, der er mikroskopisk små i billedet, farveforskelle på få procent, geometriske forskydninger på under en millimeter, eller teksturforskelle der for det blotte øje ser ens ud. Det er her, visuel inspektion med AI for alvor adskiller sig fra det, et menneske kan klare konsekvent over en hel arbejdsdag.

Det handler ikke om, at AI er klogere end menneskerne i produktionen. Det handler om, at en model ikke bliver træt, ikke mister koncentrationen og ikke er påvirket af, om det er en mandag morgen eller en fredag eftermiddag. Den ser billedet nummer et og billedet nummer ti tusinde med præcis den samme opmærksomhed.

Hvornår AI kvalitetskontrol virker i produktion

Der er mange, der hører om computer vision og tror, at det er en universel løsning man bare installerer og sætter i gang. Det er det ikke. AI i kvalitetskontrol virker rigtig godt i bestemte situationer, og det er vigtigt at kende dem, inden du sætter et budget af. Ellers risikerer du at bygge noget dyrt, der ikke leverer det, du forventede.

Den gode nyhed er, at mange af de situationer, hvor teknologien faktisk virker, er meget typiske for danske produktionsvirksomheder. Lad mig bryde det ned.

Gentagne produkter og tydelige fejltyper

Den vigtigste forudsætning for, at AI til fejlfindning virker, er gentagelse. Jo mere ens dine produkter er fra enhed til enhed, jo lettere er det at lære en model, hvad der er rigtigt og hvad der er forkert. Masseproduktion, standardprodukter og ensformige processer er ideelle.

Samtidig er det en fordel, at fejltyperne er veldefinerede. Hvis du ved, at de typiske fejl er ridser, bobler og forkert farve, kan du indsamle og mærke eksempler på netop de fejltyper og træne modellen specifikt på dem. Defektregistrering med AI fungerer bedst, når fejlene er ensartede og genkendes visuelt, frem for fejl der kræver kontekst, berøring eller kemisk analyse for at konstateres.

Mange ens billeder giver et bedre grundlag

En AI model til billeder er ikke god fra dag ét. Den er god, fordi den har set nok eksempler til at lære mønstret. Det betyder, at du i praksis har brug for en ret stor samling af billeder, af produkter der er godkendt, og af produkter med fejl, gerne med fejlene tydeligt markeret.

I produktion er det heldigvis ofte muligt at opbygge den slags datasæt over tid, fordi linjen kører dag ud og dag ind. Men det kræver, at du fra starten tænker over, hvordan billeder gemmes, mærkes og organiseres. Et halvt år med billeder uden konsekvent mærkning er et halvt år spildt i forhold til modeltrening. Datasættet er fundamentet, og fundamentet skal bygges rigtigt.

Faste kameraer og stabil belysning

Det lyder basalt, men det er en af de hyppigste årsager til, at kamera AI produktion mislykkes i praksis: belysningen ændrer sig, og kameraet er ikke fastmonteret. En AI model er trænet på billeder taget under bestemte lysforhold og fra en bestemt vinkel. Ændrer du bare lidt på lyset, kan modellen pludselig se skygger og reflekser, den ikke genkender fra træningen, og præcisionen falder hurtigt.

Stabil og kontrolleret belysning, gerne med dedikeret industribelysning, er ikke en detalje. Det er en teknisk forudsætning. Det samme gælder for kameraets placering og fokus. Kameraovervågning i produktion til AI kræver, at opstillingen er identisk fra dag til dag, ellers begynder modellen at se variationer i selve billedoptagelsen frem for i produktet.

Forudsætning	Hvorfor det betyder noget
Gentagne og ensartede produkter	Modellen laerer moenster nemmere
Stor billedsamling med maerkning	Godt traeningsgrundlag giver hoej noejagtig
Fast kamera og kontrolleret lys	Stabilt input giver stabilt output
Klart definerede fejltyper	Klare maalmaalinger giver bedre resultater

Hvorfor projekter fejler foer modellen er traenet

Her er en sandhed, mange leverandoerer ikke har lyst til at naevne: de fleste AI kvalitetskontrol projekter mislykkes ikke fordi teknologien er for simpel. De mislykkes, fordi forberedelsen var for svaag. Og forberedelsen handler nesten aldrig om hardware eller budgetter. Det handler om data og krav.

I en typisk dansk produktionsvirksomhed er der rigtig mange folk, der ved, hvordan en fejl ser ud, naar de holder produktet i haenden. Men det er overraskende svaert at oversaette den viden til en skarp, teknisk definition af, hvad en fejl er i billedform, og hvad der er inden for tolerance. Det gap er dyrt at ignorere.

Daarlige billeder og uklare krav

De billeder, som kameraet tager, er grundlaget for alt. Hvis de er slaerede, har forkert eksponering, skifter lysforhold eller har bevaegelsesudslaer fra samlebaandet, er du allerede paa bagbenene. Du kan ikke traene en god AI model paa daarlinge billeder, ligesom du ikke kan bage et godt braod med raaddent mel.

Uklare krav er den anden store faldgrube. Hvad er en fejl? Er en ridse paa 0,5 mm en fejl? Hvad med 0,3 mm? Hvad hvis farven afviger en smule paa et sted, der ikke er synligt for kunden? Disse spoergsmaol skal besvares, inden du begynder at indsamle og maerke billeder. Ellers ender du med et traeningsdatasaet, der er inkonsekvent, og saa laerer modellen ingenting brugbart.

For mange undtagelser i samme loesning

En anden klassisk fajl er at forsoge at loese for meget paa een gang. Man vil gerne have, at kameraet tjekker overfladefejl, maerkningsfejl, dimensioner, farve og emballageforseglingen, og at det skal virke paa tolv forskellige produktvarianter, med tre forskellige emballagestoerrelser og i to skift med forskellig belysning.

Det er en opskrift paa en model, der er gennemsnitlig god til alt og praecis god til ingenting. Computer vision i produktion skalerer meget bedre, naar loesningen er naevnt skarpt: eet sjaet krav, en produktvariant, en kontrolleret opstilling. Naar det virker, kan du udvide. Men start smaalt og presist, ikke bredt og ambitiost.

Saadan vurderer du vaerdi, foer du bygger noget

Ingen fornuftig investering i AI til kvalitetskontrol boer starte med et tilbud paa hardware. Den boer starte med en aerg og aeben gennemgang af, hvad du faktisk taber i dag. Hvad koster fejlene dig? Hvad koster det at sende noget forkert til kunden? Hvad er spildraten? Hvad bruger dine operatoerer deres tid paa?

Hvis du ikke kan svaere paa de spoergsmaol med tal, er du ikke klar til at investere endnu. Og det er faktisk en nyttig erkendelse, fordi det fortaeller dig, hvad du skal male og dokumentere, foer du naeste gang sidder ned med en loesning i haanden.

Se paa fejlrate, hastighed og spild

Tre konkrete tal bor du have styr paa, foer du vurderer, om AI kvalitetskontrol giver mening for din produktion:

• Fejlrate: Hvor mange procent af dine produkter har fejl, og hvor mange af dem opdages foer de forlader fabrikken?
• Hastighed: Korer linjen hurtigere end dine operatoerer kan inspicere manuelt? Mister du kontrol i spidsbelastning?
• Spild: Hvad koster det i materialer, tid og omproduktion, naar fejl ikke opdages i tide?

Disse tal giver dig grundlaget for at udregne en reel ROI. Kan AI i kvalitetskontrol halvere din fejlrate og reducere spildet med 30 procent, hvad er det saa vaerd om maaneden? Det er den slags konkret matematik, der afgoer om et projekt er en god idee eller ej.

Start med en kontrol, der allerede goer ondt

Den bedste sted at starte er ikke der, hvor det teknisk set er nemmest. Det er der, hvor det goer mest ondt. Hvad er den kontrol, din produktion faar flest klager over, bruger mest tid paa, eller mister mest paa? Start der.

Naar du loser et problem, folk allerede foler, faar du to ting: et klart maal at male paa, og en organisation, der faktisk holder af den nye loesning, fordi den fjernede noget, de hader at goere. Produktion automatisering bor naesten altid starte med det, der goer ondt i hverdagen, ikke med det, der er sjaest i en powerpoint.

AI skal hjaelpe operatoeren i det daglige

En ting, der tit gaar galt i snaket om kunstig intelligens i produktion, er forestillingen om, at AI erstatter operatoeren. Det er ikke det, der sker i praksis, og det er heller ikke det, du bor sigte efter. Det, du bor sigte efter, er et system, der goer operatoerens arbejde lettere, hurtigere og mere sikkert, ikke et system, der gjor operatoeren overflodig.

Naar du introducerer kamera AI i produktion, sker der noget interessant. Operatoererne faar pludselig en ekstra sans. De behoever ikke at holde djos med hvert eneste produkt manuelt, fordi systemet allerede har kigget. De kan i stedet reagere paa de varsler, systemet sender, og bruge deres menneskelige vurdering, der, hvor det rent faktisk kraever menneskelig vurdering.

Varsler og forslag er ofte nok

Det behoever ikke at vaere fuldt automatiseret frasortering for at vaere vaerdifuldt. For rigtig mange produktionslinjer er det tilstraekkeligt, at AI systemet markerer et produkt med en advarsel, og at en operatoer saa beslutter, om produktet skal afvises, sendes til naermere inspektion eller godkendes trods den fundne afvigelse.

Det er faktisk et klogt design, fordi det bevarer menneskelig kontrol i de graensetilfaelde, hvor en model ikke er traenet til at vaere sikker. Du faar hastighed og konsistens fra maskinen, og du faar vurdering og kontekst fra mennesket. Det er ikke et kompromis, det er samspillet.

Mennesket tager stadig de svaere beslutninger

Der er fejltyper, som AI endnu ikke kan haandtere alene, ikke fordi teknologien ikke er god nok, men fordi fejlen kraever kontekst, erfaring og en form for intuitiv vurdering, som kun kommer med aar i produktionen. Et erfaret oje kan se, at en bestemt afvigelse altid dukker op, naar en bestemt maskine begynder at slide. Det er systemviden, der ikke sidder i billeder, den sidder i mennesker.

Den kloge tilgang er derfor at designe AI kvalitetskontrol som et vaerktoj i haanden paa operatoeren, ikke som et system, der korer udenom ham. Varsler, dashboards, statistik og fejlhistorik kan alle hjaelpe en erfaren medarbejder til at traffe bedre beslutninger hurtigere. Men beslutningen er stadig hans.

Hvad tager du med dig fra den her artikel

AI kvalitetskontrol og computer vision i produktion er ikke science fiction. Det er teknologi, der virker, naar betingelserne er i orden og forventningerne er skruet rigtigt op.

Du har her faaet et jordnaert billede af, hvad kunstig intelligens faktisk kan se og opdage i billeder og video, hvornaar visuel inspektion med AI giver mening, og hvornaar projekter korer af sporet foer de overhovedet er kommet i gang. Du ved nu, at stabil belysning, klare fejldefinitioner og et godt datasaet er fundamentet, og at du boer starte med det, der allerede goer ondt, frem for det, der lyder sejt paa papir.

Du ved ogsaa, at meningen ikke er at erstatte folk paa gulvet. Meningen er at give dem bedre vaerktoj, saa de kan bruge deres tid og erfaring der, hvor det rent faktisk kraever et menneske. Defektregistrering og fejldetektion med AI er bedst, naar det stoetter operatoeren, ikke naar det forsager at koere udenom ham.

Spild i produktion koster penge hver dag. Fejl der slipper igennem koster endnu mere. Og manuel inspektion ved hoj hastighed er aldrig en holdbar laengde-loesning. Men god AI implementering kraever ogsaa forberedelse, tal paa bordet og aedruelighed om, hvad teknologien kan og ikke kan. Den aerlighed er det bedste sted at starte.